تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,099,175 |
تعداد دریافت فایل اصل مقاله | 97,206,773 |
ارزیابی کارایی الگوریتم ژنتیک و روش هیبریدی GA-SA در پیشبینی طوفانهای گردوغبار (مطالعه موردی: استان خوزستان) | ||
تحقیقات آب و خاک ایران | ||
دوره 51، شماره 10، دی 1399، صفحه 2623-2639 اصل مقاله (1.15 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2020.303365.668628 | ||
نویسندگان | ||
محمد انصاری قوجقار* 1؛ مسعود پورغلام آمیجی2؛ جواد بذرافشان3؛ شهاب عراقی نژاد3؛ عبدالمجید لیاقت3؛ سید محمد حسینی موغاری4 | ||
1دانشجوی دکتری مهندسی منابع آب گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ، کرج، ایران | ||
2گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران. | ||
3گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
4پژوهشگر پسا دکتری، موسسه علوم جغرافیایی و تحقیقات منابع طبیعی، آکادمی علوم چین، پکن، چین. | ||
چکیده | ||
افزایش وقوع طوفانهای گردوغبار در چند سال اخیر در جنوب غرب ایران بهویژه در استان خوزستان و به تبع آن کاهش کیفیت هوا در این مناطق، اهمیت پیشبینی و ارتباط این پدیده با نوسانات اقلیمی را دوچندان کرده است. هدف از این پژوهش بررسی کارایی روشهای هیبریدی ژنتیک-تبرید (GA-SA) و الگوریتم ژنتیک (GA) بهمنظور انتخاب متغیرهای ورودی بهینه در پیشبینی فراوانی روزهای همراه با طوفان گردوغبار (FDSD) است. بدین منظور از دادههای ساعتی گردوغبار و کدهای سازمان هواشناسی و همچنین دادههای اقلیمی شامل دمای حداکثر، دمای حداقل، دمای متوسط، مجموع بارش و سرعت بیشینه باد در مقیاس فصلی با طول دوره آماری ۳۵ ساله (۲۰۱۸-۱۹۸۴) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. در ادامه با در دست بودن سری زمانی شاخص FDSD و سایر متغیرهای اقلیمی، اقدام به مقایسه کارایی حالتهای مختلف متغیرهای ورودی، به منظور پیشبینی فراوانی روزهای همراه با طوفان گردوغبار در فصل آینده شد. نتایج نشان داد که روش هیبریدی ژنتیک-تبرید (GA-SA) در بین تمام حالتهای انتخاب متغیرهای ورودی، بهترین عملکرد را داشت؛ بهطوری که در این حالت معیارهای ارزیابی R، MAE و RMSE بهترتیب از 91/0، 29/0 و 44/0 تا 99/0، 13/0 و 17/0 در ایستگاههای مورد مطالعه متغیر بود. همچنین متوسط فراوانی روزهای همراه با طوفان گردوغبار در مقیاس فصلی در ایستگاههای مورد مطالعه به ترتیب صعودی از 68/1 تا 10/4 متغیر بود به طوری که با افزایش شاخص FDSD در ایستگاه مورد مطالعه، دقت پیشبینی تمام حالتها افزایش داشت به نحوی که در حالت اول پیشبینی (صرفاً بر اساس شاخص FDSD)، ضریب همبستگی بین مقادیر مشاهداتی فراوانی روزهای همراه با طوفان گردوغبار و مقادیر محاسباتی آن از 87/0 به 95/0 افزایش یافت. برای حالت دوم (پیشبینی بر اساس فروانی روزهای همراه با طوفان گردوغبار و همه ویژگیهای کمکی یعنی FDSD & AC)، حالت سوم (بر اساس بهینهسازی الگوریتم ژنتیک) و حالت چهارم (بر اساس روش هیبریدی ژنتیک-تبرید) نیز ضریب همبستگی بهترتیب از 93/0 تا 94/0، 91/0 تا 97/0 و 94/0 تا 99/0 در ایستگاههای موردمطالعه متغیر بود. در مجموع با مقایسه حالتهای مورد استفاده، روش هیبریدی ژنتیک-تبرید (GA-SA) بهترین عملکرد و بعد از آن الگوریتم ژنتیک (GA) بهترین نتیجه را ارائه نمود. نتایج این مطالعه میتواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامههای مقابله با بیابانزایی در مناطق تحت مطالعه مفید باشد. | ||
کلیدواژهها | ||
گردوغبار؛ شاخص FDSD؛ بیابانزدایی؛ ژنتیک-تبرید؛ ANFIS | ||
مراجع | ||
Abdolshahnejad, M., Khosravi, H., Nazari Samani, A. A., Zehtabian, G. R. & Alambaigi, M. (2020). Determining the Conceptual Framework of Dust Risk Based on Evaluating Resilience (Case Study: Southwest of Iran). Strategic Research Journal of Agricultural Sciences and Natural Resources, 5(1), 33-44. (In Farsi) Aliyari, M., Teshnehlab, M. & Khaki Sedigh, A. (2008). Short-term forecast of air pollution by neural networks, delayed memory line, gamma and ANFIS with PSO-based educational methods. Control journal, 2(1), 1-19. Ansari Ghojghar, M. & Araghinejad, Sh. (2018). Investigating the effect of wind speed on the frequency of days with dust storms (Case study: Lorestan province). The fourth national conference on wind erosion and dust storms, Yazd. Araghinejad, S. (2013). Data-driven modeling: using MATLAB® in water resources and environmental engineering (Vol. 67). Springer Science & Business Media. Araghinejad, Sh., Ansari Ghojghar, M., Pourgholam-Amiji., Liaghat, A & Bazrafshan, J. (2019). The Effect of Climate Fluctuation on Frequency of Dust Storms in Iran. Desert Ecosystem Engineering Journal, 7(21), 13-32. (In Farsi) Cao, R., Jiang, W., Yuan, L., Wang, W., Lv, Z., & Chen, Z. (2014). Inter-annual variations in vegetation and their response to climatic factors in the upper catchments of the Yellow River from 2000 to 2010. Journal of Geographical Sciences, 24(6), 963-979. Cheng, R. (2000). Genetic algorithms and engineering optimization. Wiley-Interscience. Dahiya, S., Singh, B., Gaur, S., Garg, V. K., & Kushwaha, H. S. (2007). Analysis of groundwater quality using fuzzy synthetic evaluation. Journal of Hazardous Materials, 147(3), 938-946. Farajzadeh Asl, M. & Alizadeh, Kh. (2011). Spatial Analysis of Dust storm in Iran. The Journal of Spatial Planning, 15(1), 65-84. (In Farsi) Goudie, A. S., & Middleton, N. J. (2006). Desert dust in the global system. Springer Science & Business Media. Hahnenberger, M. & Nikoul, K. (2014). Geomorphic and land cover identification of dust sources in the eastern Great Basin of Utah, U.S.A. Journal of Geomorphology, 204(2), 657-672. Hakimpour, F., Talat Ahary, S. & Ranjbar, A. (2017). The Assessment and Comparison of a Genetic Algorithm, Simulated Annealing and Cuckoo Optimization Algorithm for Optimization of the Facility Location under Competitive Conditions (Case Study: Banks). Journal of Modeling in Engineering, 15(48), 231-246. (In Farsi) Hassanzadeh, Y., Abdi Kordani, A. & Fakheri Fard, A. (2012). Drought Forecasting Using Genetic Algorithm and Conjoined Model of Neural Network-Wavelet. Journal of Water and Wastewater, 23(3), 48-59. (In Farsi) Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665–685 Khashei-Siuki, A., Shahidi, A., Pourrezabilondi, M., Amirabadizadeh, M. & Jafarzadeh, A. (2018). Performance Assessment of ANN and SVR for downscaling of daily rainfall in dry regions. Iranian Journal of Soil and Water Research, 49(4), 781-793. (In Farsi) Kim, D., Chin, M., Kemp, E. M., Tao, Z., Peters-Lidard, C. D., & Ginoux, P. (2017). Development of high-resolution dynamic dust source function-A case study with a strong dust storm in a regional model. Atmospheric environment, 159, 11-25. Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671-680. Mehrabi, Sh., Soltani, S. & Jafari, R. (2015). Investigating the Relationship between Climatic Parameters and the Exposure of Greenhouses (Case Study: Khuzestan Province). Journal of Water and Soil Science, 19(71), 69-80. (In Farsi) Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. (1953). Equation of state calculations by fast computing machines. The journal of chemical physics, 21(6), 1087-1092. Mohammadi, G, H., (2015). Analysis of Atmospheric Mechanisms in Dust Transport over West of Iran. Ph.D. thesis, Tabriz University, 142 pp. (In Farsi) O’Loingsigh, T., McTainsh, G. H., Tews, E. K., Strong, C. L., Leys, J. F., Shinkfield, P., & Tapper, N. J. (2014). The Dust Storm Index (DSI): a method for monitoring broadscale wind erosion using meteorological records. Aeolian Research, 12, 29-40 Rashki, A., Kaskaoutis, D. G., Goudie, A. S. & Kahn, R. A. (2013). Dryness of ephemeral lakes and consequences for dust activity: the case of the Hamoun drainage basin, southeastern Iran. Science of the Total Environment, 463, 552-564. Rasoulzadeh Gharibdoosti, S. & Bozorg Haddad, O. (2012). Development and Application of Hybrid (NLP-GA) in the Design and Operation of Pumping Stations. Iranian Journal of Soil and Water Research, 43(2), 129-137. (In Farsi) Shaker Sureh, F. & Asadi, E. (2019). Meteorological and hydrological drought communication in Salmas Plain. Desert Ecosystem Engineering Journal, 8(22), 89-100. (In Farsi) Shao, Y., Wyrwoll, K. H., Chappell, A., Huang, J., Lin, Z., McTainsh, G. H. & Yoon, S. (2011). Dust cycle: An emerging core theme in Earth system science. Aeolian Research, 2(4), 181-204. Sivanandam, S. N. & Deepa. S. N. (2008). Introduction to Genetic Algorithms. Springer-Verlag, Berlin. Sobhani, B. & Safarian Zengir, V. (2020). Analysis and prediction of Dust phenomenon in the southwest of Iran. Journal of Natural Environmental Hazards, 8(22), 179-178. (In Farsi) Sobhani, B., Salahi, B. & Goldust, A. (2015). Study the dust and evaluation of its possibility prediction based on statistical methods and ANFIS model in Zabol University.Geography and Development Iranian journal, 13(38), 123-138. (In Farsi) Tarokh. M. J. & Naseri, A. (2012). Genetic Algorithm and Hybrid Method to Minimize Total Distribution Cost in Multi-level Supply Chain. Advances in Industrial Engineering, 46(1), 15-26. (In Farsi) White, S. R. (1984). Concepts of scale in simulated annealing. In AIP Conference Proceedings (Vol. 122, No. 1, pp. 261-270). American Institute of Physics. Yarmoradi, Z., Nasiri, B., Mohammadi, Gh. H., & Karampour, M. (2018). Trend analysis of dusty day’s frequency in Eastern arts o Iran associated with Climate Fluctuations. Desert Ecosystem Engineering Journal, 7(18), 1-14. (In Farsi) Zeinali, B. (2016). Investigation of frequency changes trend of days with dust storms in western half of Iran. Journal of Natural Environment hazards, 5(7), 100-87. (In Farsi) | ||
آمار تعداد مشاهده مقاله: 899 تعداد دریافت فایل اصل مقاله: 514 |